PFSKANs: Un nuevo modelo de selección de características a nivel de píxeles basado en las redes de Kolmogorov-Arnold

Área de la Ciencia:

• Visión por computadora
• Aprendizaje automático
• Aprendizaje profundo

Sus antecedentes:

• Las redes neuronales convolucionales (CNN) y los transformadores dominan la visión por computadora, pero a menudo carecen de interpretabilidad.
• Las redes de Kolmogorov-Arnold (KAN) ofrecen una mayor interpretabilidad en comparación con las redes neuronales tradicionales.

Objetivo del estudio:

• Introducir un nuevo modelo de selección de características a nivel de píxeles (PFS), denominado PFSKAN, basado en KAN.
• Proporcionar una alternativa fundamentalmente distinta e interpretable a las CNN y los transformadores para la visión por computadora.
• Permitir la detección directa de píxeles clave con puntajes de contribución altos en las imágenes de entrada.

Principales métodos:

• Técnicas de simplificación KAN modificadas para identificar los píxeles sobresalientes.
• Desarrolló un procedimiento de selección de píxeles de una sola vez con visualización intuitiva.
• Se empleó un enfoque matemático para identificar y estandarizar píxeles interpretables seleccionados.

Principales resultados:

• Las PFSKAN demostraron un rendimiento comparable al de las CNN en tareas de clasificación de imágenes.
• Logró una precisión, eficiencia de parámetros y tiempo de entrenamiento similares a los CNN.
• El modelo identificó con éxito los píxeles clave que contribuyen a los resultados de la clasificación.

Conclusiones:

• Los PFSKANs presentan una alternativa viable e interpretable a los modelos de aprendizaje profundo existentes en la visión por computadora.
• El método propuesto ofrece un enfoque único para la selección de características a nivel de píxeles.
• Las investigaciones adicionales pueden explorar las PFSKAN en aplicaciones de visión por computadora más complejas.